随着我国矿井生产活动逐步从机械化向自动化、智能化方向迈进，井下行车安全已成为制约生产安全的瓶颈[1]。车辆潜在碰撞事故不仅会造成人员伤亡和财产损失，碰撞带来的物理冲击也会对井下防爆安全带来巨大隐患。然而，由于矿井环境的特殊性、障碍物的不确定性，现有的针对地面系统的AEB策略不能直接应用于矿井巷道[2]。

在基于激光雷达的障碍物检测与跟踪方面，国内外已有一定的研究成果。文献[3]提出了结合区域生长与密度聚类的算法，协同融合多特征的障碍物关联法和动态距离差法，并运用卡尔曼滤波器对动态障碍物进行了跟踪。文献[4]提出了一种以“椭球搜索”改进传统DBSCAN的聚类方法，采用加权的最小二乘法结合卡尔曼滤波实现多目标跟踪，但该跟踪算法的准确性易受到路旁树木等障碍物干扰。文献[5]提出了一种实时3D多目标跟踪技术，基于体素和点云进行全面特征学习，利用具有恒定线速度和角速度的过程模型，并结合3D卡尔曼滤波器进行状态预测与更新。文献[6]设计了决策层自适应融合策略，基于目标检测交并比与可靠性对激光雷达与毫米波雷达检测目标进行融合，并应用多运动模型交互与无迹卡尔曼滤波实现障碍物跟踪。有效提升了园区无人车跟踪的准确性和稳定性。

目前大多数研究均仅针对城市道路等地面系统展开，鲜有针对矿井巷道这类特殊应用场景的障碍物检测和跟踪策略。为了改进该问题，扩大AEB系统的应用场景，文中提出了基于一款纯固态Flash型激光雷达LeddarM16的矿井巷道专用AEB前端子系统组成方案。首先针对井下典型环境特点对雷达参数进行优化；接着基于近邻查询算法，线性离散卡尔曼滤波及最小马氏距离构建了完整的面向井下车辆的多目标聚类与跟踪算法模型；然后结合嵌入式平台完成算法移植及AEB前端子系统的搭建；最终通过试验验证了系统及其算法的有效性。

1、单线固态激光雷达及参数优化

虽然目前的车辆自动驾驶技术多采用测距范围大于100 m，角分辨率达到0.1°的多线激光雷达[7]，但对于井下车辆应用而言，并不需要这么远的测量距离和角分辨率。例如，对于时速V=30 km/h的矿井车辆，假设刹车时间T1=2 s，报警时间T2=1.5 s，跟踪时间T3=0.5 s，则可根据简单的车辆运动模型计算出实际所需要的测量距离。

刹车距离可表示为：

跟踪报警距离可表示为：

测量距离可表示为：

代入具体数值，求解得到D=24.9 m。

文献[8]针对矿井车辆无人驾驶特点做了较为详细的总结。适用于矿井巷道的激光雷达应具备如下特性：1）中等距离的测距量程，小于50 m;2）结构坚固耐用，寿命周期较长；3）全天候避障，苛刻环境（如扬尘、防爆水雾等）下的高抗干扰能力；4）考虑井下大量且多元的非标目标，雷达不需对障碍物进行精准分类，而侧重于探测目标的存在性。

该文采用加拿大LeddarTech公司的LeddarM16作为系统主传感器。LeddarM16为一先进的纯固态单线激光雷达模块，使用一个16段雪崩光电探测器阵列完成多路光信号的同步探测与光电转换。通过对回波电信号进行全波分析，实现单通道内多目标的检测及测距。其主要特点有：1）无移动部件（包括机械、棱镜、微振镜）；2)16段独立同步采集测量；3）具备多目标分辨能力。

为方便应用于矿井巷道环境，对LeddarM16的关键参数进行优化处理。首先考虑过采样和采样累积，LeddarM16为全波采样，过采样偏重于提高测量精度；采样累积是对同一目标执行多次测量（含过采样的全波采样）并对采样值平均化处理，以保留真目标回波信号。为进一步减小扬尘、水雾颗粒等虚假目标对LeddarM16的干扰，应该在允许情况下考虑增加采样累积次数。其次，设置合适的最大测量距离，尽可能保证去噪和更新率；此外，LeddarM16本身对测量值不需进行平滑处理，因巷道车辆属于机动性较强的运动载体，目标滤波跟踪可由后端算法实现。并且可以将信号强度门限值设为0，更便于试验分析及算法验证；最后，数据更新率由LeddarM16本身的采样参数取值决定，其将作为检测跟踪模块的输入参数。

模拟井下环境对优化后的LeddarM16进行抗干扰能力测试，使用一款机械扫描型激光雷达TIM561作为对照。雷达前方借助喷雾器喷淋形成水墙，对两者原始点云数据实时观测，结果如图1所示，TIM561图像变化明显，受水雾干扰较大；LeddarM16图像几乎无变化，测量结果稳定准确。可知其针对井下场合的性能适配度较高，参数优化效果良好。

2、多目标跟踪算法

多目标跟踪是井下车辆实现避撞辅助驾驶的理论基础，其指通过聚类、目标相似度判断、滤波跟踪等计算过程，从LeddarM16采集到的FOV范围内基于极坐标的各段激光点距离平均值中提取出执行后端功能模块（预警模块、自动刹车模块等）所需要的目标运动信息。

图1 雷达抗水雾干扰测试结果

2.1 目标聚类

LeddarM16以FOV范围内最大16段测量值的离散点云呈现原始测量结果。这些点云数据不具备整体性，难以对其有效跟踪[5]，而需聚类以提取真实物理目标。

坐标转换是雷达数据处理过程的重要组成部分[9]。已知雷达水平FOV=36°，Pn为第n段（n=0,1,2,…,15）的距离测量值。以激光发射器所在位置为原点，建立直角坐标系。定义雷达视野角θF=[-18,18]，角分辨率θr=2.25°，雷达角度安装误差为σ。选取每段的中心点表征测量结果位置信息，则第n段中心点角度为：

Pn的直角坐标分量可由下式得到：

结合离散点云扫描和分布特征，基于一种近邻查询算法进行聚类。选择某段点云数据，计算邻域段到该段的距离，将距离在某设定阈值内的所有段聚为一类，每一类即代表一个真实物理目标。经反复迭代，直到没有新段加入为止[10]。若两段间距离大于阈值，则认为该段不属于当前类，并以该段为起始段创建新类。近邻查询算法流程如图2所示。

执行聚类时参数传递的准则：将聚类后生成的目标向量参数（2D坐标、周期、目标宽度及回波信号强度等）描述为该类中所有段原始测量值的平均值。其中宽度和信号强度不参与后续滤波器迭代，但会作为表征目标质量的附属信息提供给二级滤波器。近邻查询算法的分割聚类效果主要取决于其所设置的阈值。若阈值设定过大，则可能将实际相邻的两个目标误判成一个目标，造成目标障碍物漏检，即欠分割[11]；若阈值设定过小，则可能将一个完整目标判作多个零碎目标，使观测目标变化不定，即过分割。考虑点云数据几何特性，结合工程实际，将该阈值设定为1 m并应用于系统方案。

图2 近邻查询算法流程图

2.2 离散卡尔曼滤波

卡尔曼滤波是目标跟踪领域最标准的算法，其通过观测具有噪声干扰的原始目标数据，只用上一时刻状态估计值和当前时刻的观测值便可在线性无偏最小方差估计准则下对当前状态作出最优估计[12]。滤波器从预先设定的最佳状态估计向量x0、状态协方差矩阵P0开始进行递归循环。其预测过程不考虑控制输入uk，可表示为：

式（6）中，xk为k时刻系统特征的状态向量；F表示状态由k-1时刻到k时刻的系统状态转移矩阵；Q为系统噪声的协方差矩阵；G为系统噪声的增益矩阵；H为系统观测转移矩阵；R为观测噪声的协方差矩阵；Sk为观测向量协方差。若线性系统是定常的，则F和H都是常数矩阵；若系统过程噪声vk和观测噪声wk都是平稳随机序列，则Q和R为常数矩阵。

滤波更新过程可表示为：

式（7）中，Kk为k时刻最优卡尔曼增益矩阵；zk为k时刻的系统观测向量。

在面向具体工程实际时，滤波器超参数在初步确定后应依据系统测试情况进行离线调整[13]，以期达到性能最大化。为简化计算复杂度，该文假设井下车辆运动模型为二维恒定速度模型，忽略加速度分量，则系统状态方程可表示为：

式（8）中，vk-1表示主要由加速度扰动引起的系统噪声，为零均值的高斯白噪声，其协方差矩阵表示为Q;T为LeddarM16的采样周期，正常情况下固定为40 ms。

系统噪声协方差矩阵Q设置为：

式中，σax与σay为过程噪声，其物理意义在恒速模型中分别表示x方向和y方向的相对加速度。考虑实际工况，井下车辆做刹停等变速运动时加速度通常小于1g，且横向加速度相对较小。经大量测试，该文取ax=3 m/s2,ay=7 m/s2。

初始状态向量x0设置为：

式（10）中，zx0、zy0分别为聚类得到的真实目标在x和y方向的位置；初始速度在x方向设置为10 km/h,y方向为30 km/h。

初始状态协方差矩阵P0设置为：

式（11）中，Px、Pvx、Py、Pvy分别表示x方向和y方向的相对距离与速度误差。

观测方程可表示为：

式（12）中，wk表示k时刻的观测噪声，为零均值的高斯白噪声；其协方差矩阵表示为R。

参考雷达测量误差及工程实践效果，观测噪声协方差矩阵R设置为：

2.3 基于最小马氏距离的目标相似度识别

目标相似度识别，即将当前观测数据与滤波估计数据进行关联匹配，是整个多目标跟踪系统中的核心问题[14]。LeddarM16提供FOV范围内16段距离扫描值，经聚类处理，得到一组k时刻卡尔曼跟踪器的观测向量。该向量在直角坐标系内具有如下特性：1)x轴、y轴测量值权重不同。由于主要考虑车辆正前方的目标识别，激光雷达在x方向和y方向的观测范围不同。如y方向观测范围为50 m，而x方向仅需考虑本车道及相邻车道目标；2)x轴、y轴误差分布不同。由于LeddarM16角度分辨率有限（θr=2.25°）。当测量距离较远时，有限的角分辨率会增加测量误差。且不同段内测量值对x轴、y轴的误差分量影响又有所不同（由sinθ,cosθ引起）；3)LeddarM16在垂直方向的FOV有限（0.2°）。当本车或目标处于运动状态时，也会造成测量值误差分布实时变化。考虑如下情形：k-1时刻雷达测量的是前车车尾距离，而k时刻由于井下路面颠簸，实际测量的是后车窗的距离。

针对上述问题，引入马氏距离进行多目标间的关联。马氏距离是一种有效的计算两个未知样本集相似度的方法，相较于欧氏距离具备的优势有：与尺度无关，不受量纲影响；排除变量间相关性干扰；由标准化数据与中心化数据解算结果相同[15]。基于马氏距离的目标关联原则为：估计目标与观测目标间的马氏距离越小，二者相似度越高。若该值小于阈值门限γ，则认为观测点与估计点匹配[16-19]，并依此更新卡尔曼滤波器状态；否则判断目标失配或目标消失。

3、基于嵌入式平台的算法移植

井下专用AEB系统是集机械、光学、通信、电子、控制于一体的复杂系统，从数据传输角度可分为前端子系统（数据采集、目标跟踪）及后端子系统（决策控制）。结合国民技术公司的N32A45X开发板，将完整的AEB前端子系统通过嵌入式平台进行工程化。系统硬件环境构成如图3所示。

图3 验证机硬件环境构成示意图

建立多目标跟踪器数据结构，如图4所示。

图4 多目标跟踪器数据结构

跟踪线程只有在接收处理线程发送处理通知后才会执行一次，包括正常接收（周期40 ms）和接收异常超时（200 ms），这样就保证了滤波器始终运行而不会停止。接收异常时的目标数设置为0，此时滤波器的所有估计目标均会执行预测操作，连续3次预测后会自动注销该目标不再跟踪。

跟踪器数据空间占用率可按变量数据结构类型计算；跟踪器时间开销采用实测方式，借助于N32A45X的一路Timer，设置其时钟周期为1μs，执行跟踪器前开始计数，执行完毕后关闭定时器并统计最大时间开销。

按上述方法对移植后的井下AEB前端子系统进行测试。测试条件为：CPU主频为144 MHz,IAR环境中等优化，输入目标小于16个。其中代码空间已包含基础库驱动（外设库、DSP库、RTOS库），测试结果如下：

1）代码空间占用情况：N32G45X基础库驱动+ThreadX+CAN通信+跟踪器，编译后的结果如下：

二者求和结果为50.9 kB。而N32G45X的flash空间可达512 kB。所以跟踪器所占用的flash空间很小；

2）数据空间占用情况：数据空间占用结果如表1所示。而N32G45X拥有144 kB的RAM空间，所以运行跟踪算法也很宽裕；

表1 数据空间占用结果

3）时间开销测算情况：跟踪器计算时间开销小于5 ms。

4、系统测试

为验证文中方案的可行性与准确性，在真实环境中搭建平台并进行了大量测试。路试平台以一辆大众高尔夫FV7164AT E4为试验车，除完整的验证机硬件环境之外，还安装了一块德国大陆公司的77G毫米波雷达ARS408，便于对同一物理目标参数作横向对比。数据记录内容包括ARS408提供的毫米波目标，验证机提供的LeddarM16跟踪目标以及实时视频数据。

图5给出了车速为46.5 km/h情况下的目标跟踪效果。图中浅色目标为ARS408提供的毫米波目标，黑色目标为LeddarM16验证机提供的跟踪后目标。

其中典型目标的具体参数值如表2所示；三种情况下的速度跟踪结果如图6所示。

图5场景中，在视野前方存在移动车辆目标（4#），静止车辆目标（3#）和高速逆向移动车辆目标（28#）。通常情况下，本车与目标的相对速度越大时，速度跟踪误差也会相应增大；当目标位于非本车道时，两类目标纵向距离Dy的相对误差也会变大，这是由于激光与毫米波对同一目标的探测点不一致引起的。由表2和图6可以看出，LeddarM16对三者跟踪后的测量参数值与ARS408提供的毫米波目标参数值均能保持较好的一致性，进而可推知其滤波性能亦可满足井下稳定跟踪需求。

图5 高速状态多目标跟踪结果

表2 典型目标具体参数值

图6 典型目标速度跟踪结果

图7显示的是该方案能够正确聚类并跟踪多个动态横穿目标。

地下车库环境与井下巷道环境类似。从图8可以看出，毫米波雷达在类似封闭环境下可用性极差，感兴趣区域内存在大量虚假目标；而LeddarM16依旧能够准确地跟踪到所有动态及静止目标。

5、结论

该文提出了一种基于固态激光雷达针对井下特殊场景的车辆AEB前端子系统方案，结合嵌入式平台实现了工程化，并开展实地测试。测试结果初步证明了LeddarM16在井下苛刻环境条件中的可用性，前端子系统对多目标的聚类、关联及跟踪准确度较高，对于组建完整的井下AEB系统具有较高的参考价值。

图7 横穿目标跟踪结果

图8 地下车库目标跟踪结果

在今后研究中，可从以下方面进行深入探讨：

1）未来可考虑融合聚类方法中阈值的自适应算法以优化实测结果的鲁棒性；

2）应进一步通过实际的井下巷道路试，结合目标信号强度、目标尺寸、目标误差分布等信息对已跟踪目标做二次滤波及量化分析。

参考文献:

[1]王国法,刘峰,孟祥军,等.煤矿智能化(初级阶段)研究与实践[J].煤炭科学技术,2019,47(8):1-36.

[2]骆彬.井下蓄电池无轨胶轮车无人驾驶系统设计研究[D].徐州:中国矿业大学,2019.

[3]汪世财,谈东奎,谢有浩,等.基于激光雷达点云密度特征的智能车障碍物检测与跟踪[J].合肥工业大学学报(自然科学版),2019,42(10):1311-1317.

[4]王涛,曾文浩,于琪.基于激光雷达的无人驾驶障碍物检测和跟踪[J].西南交通大学学报,2021,56(6):1346-1354.

[5]吴开阳,秦文虎,云中华,等.基于激光雷达的三维多目标检测与跟踪[J].传感器与微系统,2023,42(1):122-125,130.

[6]牛国臣,田一博,熊渝.融合毫米波与激光雷达的障碍物检测与跟踪方法[J].北京航空航天大学学报,2024,50(5):1481-1490.

[7]辛晋,李斌,魏建勇.基于车联网的高速公路车路协同应用探究[J].中国交通信息化,2023(S1):45-49.

[8]孙继平,江嬴.矿井车辆无人驾驶关键技术研究[J].工矿自动化,2022,48(5):1-5,31.

[9]尚业华,王昊,孟志军,等.基于激光雷达的稻麦收获边界检测与自动对齐系统研究[J].农业机械学报,2023,54(5):19-28,46.

[10]姚绍华,贺松,涂园园.基于改进欧式聚类的三维激光雷达点云目标分割方法[J].智能计算机与应用,2021,11(10):73-76.

[11]纪嘉树.基于多传感器融合的无人驾驶环境感知技术研究[D].济南:山东大学,2022.

[12]丁亚强.基于毫米波雷达的车辆纵向防碰撞系统研究[D].镇江:江苏大学,2018.

[13]范巧艳.基于卡尔曼滤波的无人机离地高度估计算法[J].电子设计工程,2018,26(21):135-138.

[14]龚轩,乐孜纯,王慧,等.多目标跟踪中的数据关联技术综述[J].计算机科学,2020,47(10):136-144.

[15]严美慧.天波雷达距离-多普勒图像特征分析与干扰检测的研究[D].重庆:重庆邮电大学,2022.

[16]田勇,杨昊,胡超,等.基于毫米波雷达的电动汽车无线充电运动异物检测与跟踪[J].电工技术学报,2023,38(2):297-308.

[17]李昊燔,黎娟,田方.融合无人机机载激光雷达的变形监测技术研究[J].自动化与仪器仪表,2023(8):121-125.

[18]张浩钧,郭建峰,张锦忠,等.基于双向特征金字塔的数据融合目标检测网络[J].西安邮电大学学报,2023,28(1):92-103.

[19]罗浩.大型水电工程压力管道智能化检查方法及适用条件分析[J].大电机技术,2023(S2):74-78.

基金资助:江苏省研究生科研创新计划项目(B210203010);

文章来源:张可,杨麓宁,费义涵,等.基于固态激光雷达的矿井专用AEB前端子系统设计[J].电子设计工程,2024,32(23):98-104.